Author: nccmne

Dana 29. juna 2026. godine uspješno je odbranjen master rad pod nazivom „Kvantizacija Edge AI modela u IoT sistemima“, kandidata Žarka Peruničića, u okviru master programa Vještačka inteligencija na Univerzitetu Donja Gorica. Kroz učešće u realizaciji programa, mentorski rad i podršku praktično orijentisanim istraživanjima u oblastima vještačke inteligencije, HPC-a i Interneta stvari, NCC Montenegro doprinosi razvoju naprednih kompetencija za efikasnu primjenu AI modela na uređajima sa ograničenim resursima. Rad se bavi važnim izazovom u oblasti Edge AI, kroz evaluaciju različitih strategija kvantizacije modela računarskog vida u IoT okruženjima.

APSTRAKT – Edge AI sistemi u okruženju Interneta stvari (IoT) zahtijevaju modele vještačke inteligencije koji su dovoljno mali, brzi i pouzdani za rad na uređajima sa ograničenim resursima. U ovom radu ispituje se kako kvantizacija, kao postupak optimizacije modela, utiče na performanse modela računarskog vida na zadatku klasifikacije bolesti listova vinove loze. Kao referentni model korišćen je MobileNetV2, a zatim su u okruženju TensorFlow Lite pripremljene njegove optimizovane varijante u FP16 i INT8 režimima kvantizacije, uključujući dinamičku INT8 kvantizaciju, punu INT8 kvantizaciju zasnovanu na reprezentativnom skupu podataka i INT8 varijantu dobijenu treniranjem prilagođenim kvantizaciji (QAT) na dodatnom, zahtjevnijem skupu podataka. Eksperimenti su sprovedeni nad očišćenim i ponovo formiranim podskupovima, nakon kontrole kvaliteta javno dostupnih skupova i uklanjanja redundantnih i vizuelno ekvivalentnih uzoraka. U kontrolisanim uslovima analizirane su latencija, stabilnost izvršavanja, maksimalna procesna memorija (peak RAM), veličina modela i tačnost.

Na kontrolisanijem skupu podataka puna INT8 kvantizacija nakon treniranja ostvaruje najpovoljniji odnos između efikasnosti, stabilnosti i veličine modela, uz očuvanje tačnosti, dok dinamička INT8 kvantizacija, uprkos manjoj veličini modela, može mjerljivo usporiti izvršavanje modela. Na zahtjevnijem, terenskom skupu podataka obrazac se djelimično mijenja: iako puna INT8 kvantizacija ostaje najbrža varijanta, INT8 model dobijen QAT pristupom ostvaruje najpovoljniji ukupni odnos između tačnosti, veličine modela i latencije. Rezultati pokazuju da efekat kvantizacije ne zavisi samo od numeričke preciznosti, već i od karakteristika podataka, postupka kalibracije i usklađenosti modela sa izvršnim okruženjem. Zaključuje se da izbor kvantizacione strategije treba potvrditi empirijski za konkretan scenario primjene, umjesto da se unaprijed pretpostavi.

Dana 29. juna 2026. godine, kandidat Nikola Kavarić uspješno je odbranio master rad pod nazivom „Sinergija računarske vizije i obrade prirodnog jezika u dijagnostici i edukaciji o tuberkulozi“, u okviru master programa Vještačka inteligencija na Univerzitetu Donja Gorica. Kroz podršku programu, mentorski rad i razvoj kompetencija u oblastima vještačke inteligencije i računarstva visokih performansi, NCC Montenegro doprinosi osposobljavanju mladih istraživača za razvoj interdisciplinarnih AI rješenja u medicini. Rad istražuje kombinovanje računarske vizije i Retrieval-Augmented Generation pristupa za detekciju znakova tuberkuloze i edukativno objašnjenje medicinskih nalaza.

APSTRAKT – Cilj ovog rada je razvoj i evaluacija sistema koji kombinuje računarsku viziju i Retrieval-Augmented Generation (RAG) modele u svrhu automatske detekcije znakova tuberkuloze na rendgenskim snimcima pluća i edukativnog objašnjenja nalaza. Polazna hipoteza bila je da je moguće razviti funkcionalan prototip koji prepoznaje patološke promjene na snimcima i generiše informativne odgovore korisniku zasnovane na medicinskoj literaturi. U okviru istraživanja razvijeni su i evaluirani CNN model za binarnu klasifikaciju i YOLO modeli za lokalizaciju patoloških promjena. CNN model postigao je tačnost od 97% na testnom skupu, što predstavlja solidan i mjerljiv doprinos. YOLO modeli su adekvatno demonstrirali koncept lokalizacije, uz određena ograničenja vezana za veličinu i neravnotežu skupa podataka. Pored vizuelnog modula, implementiran je i RAG prototip koji koristi lokalnu bazu medicinskih dokumenata za generisanje odgovora na korisničke upite. Integracija je realizovana na nivou prototipa, bez kliničke validacije. Na osnovu dobijenih rezultata, hipoteza je djelimično potvrđena — u značajnoj mjeri za CNN klasifikacionu komponentu u okviru korišćenog testnog skupa, dok YOLO i RAG komponente, zbog ograničenja skupa podataka i nedostatka ekspertski verifikovanih referentnih odgovora, treba tretirati kao demonstraciju koncepta. Rad pokazuje da modularna kombinacija ovih tehnologija može biti korisna osnova za razvoj edukativnih alata u oblasti medicinske dijagnostike.